پژوهش های راهبردی بودجه و مالیه

این پژوهش با توجه به لزوم نظارت مستمر یر داده های مالی و با تمرکز بر الگوریتم های هوش مصنوعی طی یک مطالعه تجربی و میدانی و با استفاده از با استفاده از یک مدل جدید مورد، داده های شرکت های فعال در سه صنعت فلزات اساسی، خودروسازی و فرآورده های نفتی را در یک بازه زمانی ده ساله موردارزیابی دقیق قرار داده است. پس از تعیین عوامل موثر مالی حاصل از تحلیل عاملی، از خطای میانگین مربعات و مقادیر پیش بینی شده شبکه عصبی LSTM جهت بهینه سازی تابع الگوریتم ازدحام ذرات و بهینه سازی نرخ یادگیری و تعداد لایه های پنهان شبکه های عصبی استفاده گردید. مدل یادگیری عمیق FA-PSO-LSTM مورد استفاده یک مدل ابتکاری و نسبتا جدید است که از مزایای شبکه LSTM در پردازش سری های زمانی به طور کامل می تواند بهره مند شده و به تکامل نطریه پردازی در این خصوص منتهی شود. نتایج حاکی از آن است که مدل پیشنهادی در صنعت فرآورده های نفتی با دقت بالا ریسک مالی را پیش بینی نموده و اهمیت متغیرهایی چون نقدینگی، جریان نقدی و سودآوری را برجسته ساخته است. در صنعت خودروسازی، شاخص هایی مانند نقدینگی، ظرفیت عملیاتی و توسعه پایدار اثرگذارتر بودند، در حالی که در صنعت فلزات اساسی بیشترین ثبات داده ها مشاهده و بهترین عملکرد مدل ثبت شد.در مجموع، متغیرهای نقدینگی، سودآوری، جریان نقدی، ظرفیت عملیاتی و قابلیت توسعه به عنوان عوامل کلیدی مشترک ریسک شناسایی گردیدند همچنین مشخص شد که که مدل پیشنهادی در مقایسه با روش های سنتی و سایر الگوریتم ها، دقت و کارایی بالاتری دارد.

گزارش های مالی فصلی از جمله دقیق ترین و ارزشمندترین منابع برای ارزیابی عملکرد و جهت گیری استراتژیک یک شرکت هستند. در این مقاله، ما یک مدل استراتژی سرمایه گذاری جدید پیشنهاد می کنیم که از این گزارش ها برای بهبود تصمیمات سرمایه گذاری بلندمدت استفاده می کند. هسته اصلی رویکرد ما در ادغام هوش مصنوعی و تجزیه و تحلیل مالی پیشرفته نهفته است. به طور خاص، ما از نوتبوک ال ام، ابزاری مبتنی بر هوش مصنوعی که قادر به تجزیه و استخراج بینش های کلیدی از متون مالی بدون ساختار است، و مدل فینبرت، یک مدل تحلیل احساسات متناسب با امور مالی، برای ارزیابی احساسات بازار و لحن افشای اطلاعات یک شرکت استفاده می کنیم. ما از معیار ارزش در معرض خطر برای محاسبه ریسک مدل پیشنهادی استفاده می کنیم که زیان های مالی بالقوه را ارزیابی و کمّی می کند. با شناخت محدودیت های مدل های کمی سنتی به ویژه در شرایط بازار بی ثبات یا مبهم ما از نظریه اعداد فازی در زمینه نظریه اعتبار استفاده کرده ایم. این امر به مدل اجازه می دهد تا عدم دقت و ابهام را به طور مؤثرتری مدیریت کند و عدم قطعیت های ذاتی بازارهای مالی را منعکس کند. برای ارزیابی کاربرد عملی مدل خود، آزمایش های تجربی را با استفاده از داده های مالی واقعی از شرکت های فهرست شده در (DJIA) انجام می دهیم. نتایج نشان می دهد که رویکرد ما نه تنها دقت ارزیابی ریسک را بهبود می بخشد، بلکه عملکرد پرتفوی را نیز در مقایسه با مدل های مرسوم افزایش می دهد. با ادغام تحلیل احساسات، منطق فازی و معیارهای ریسک مالی، چارچوب ما دیدگاه جامع تری از ریسک شرکتی و ارزش بلندمدت ارائه می دهد.

رمزارزها، به ویژه بیت کوین، به عنوان دارایی های دیجیتال مبتنی بر فناوری بلاکچین، به دلیل ویژگی هایی همچون غیرمتمرکز بودن، شفافیت تراکنش ها و سرعت انتقال، توجه روزافزون سرمایه گذاران و پژوهشگران مالی را به خود جلب کرده اند. با این حال، این بازار ذاتاً با نوسانات شدید همراه است و تحت تأثیر عوامل اقتصادی، سیاسی و فناوری قرار دارد. این موضوع در شرایط بحران اقتصادی ایران، ناشی از تحریم های بین المللی، نوسانات نرخ ارز و تورم بالا، اهمیت توسعه مدل های پیش بینی دقیق تر را دوچندان می سازد. هدف این پژوهش امکان سنجی و ارزیابی عملکرد الگوریتم های فراابتکاری در بهینه سازی شبکه های عصبی مصنوعی جهت پیش بینی روند قیمتی بیت کوین است. در این راستا، الگوریتم ترکیبی شاهین آتشین- ساخت اهرام جیزه (FHO–GPC) با الگوریتم بهینه ساز گاومیش مشکی (MO) مورد استفاده قرار گرفت و داده ها به دو بخش آموزش (۸۰ ) و آزمون (۲۰ ) تقسیم شدند. پارامترهای شبکه عصبی پرسپترون چندلایه (MLP) توسط این الگوریتم ها بهینه سازی شدند؛ به گونه ای که FHO جستجوی سراسری را انجام داده و GPC بهینه سازی موضعی را بر عهده داشت. یافته ها نشان داد که الگوریتم MO با کاهش معنادار شاخص های خطا (RMSE) و (MAE) و افزایش ضریب تعیین (R²)، عملکرد دقیق تری نسبت به مدل ترکیبی ارائه کرده است. این برتری به ویژه در شرایط پرنوسان و بحرانی اقتصاد ایران برجسته تر بود. نتایج این پژوهش بیانگر آن است که الگوریتم MO می تواند به عنوان رویکردی کارآمد برای بهبود دقت پیش بینی و کاهش ریسک سرمایه گذاری در بازارهای مالی نوظهور و پرریسک مورد استفاده قرار گیرد.

مدیریت ریسک نکول در عقود اسلامی، به ویژه در شرایط اطلاعات نامتقارن، یکی از چالش های اساسی نظام بانکی ایران است. هدف این پژوهش، شناسایی و مقایسه نقاط قوت و ضعف مدیریت ریسک نکول در عقود مبادله ای و مشارکتی و ارائه راهبردهای اصلاحی در این زمینه است. پژوهش حاضر کیفی و با رویکرد تحلیل مضمون انجام شده و داده ها از طریق مصاحبه نیمه ساختاریافته با ۱۴ نفر از خبرگان بانکداری اسلامی، مدیریت ریسک و فقه معاملات گردآوری گردید. مشارکت کنندگان به صورت هدفمند انتخاب و تا اشباع نظری ادامه یافت و تحلیل داده ها در شش مرحله براساس الگوی براون و کلارک (2006) صورت گرفت. یافته ها نشان داد که ضعف های ساختاری در عقود مبادله ای (نهادی، سیستمی و فناورانه) زمینه ساز کژگزینی هستند؛ به ویژه اتکای بیش ازحد به وثایق و فقدان اعتبارسنجی رفتاری موجب ورود مشتریان پرریسک می شود. در مقابل، ضعف های رفتاری در عقود مشارکتی (انسانی، فرهنگی و انگیزشی) بیشتر به کژمنشی منجر می شوند؛ پنهان کاری در گزارش دهی مالی و دشواری نظارت بر عملکرد عامل از مهم ترین مصادیق آن است. نتایج علاوه بر تأیید نظریه های اطلاعات نامتقارن و نمایندگی، نشان می دهد مدیریت ریسک نکول در بانکداری اسلامی ایران نیازمند بازنگری بنیادین است. بر اساس یافته ها، سه دسته راهبرد اصلاحی پیشنهاد شد: (۱) نهادی–قانونی، شامل بازنگری در آیین نامه های عقود مشارکتی؛ (۲) فناورانه، شامل توسعه سامانه های اعتبارسنجی رفتاری و اجرای آزمایشی قراردادهای هوشمند؛ و (۳) فرهنگی–سازمانی، شامل آموزش کارکنان بانکی و طراحی نظام مشوق ها. این راهبردها می تواند مبنای سیاست گذاری بانک مرکزی و بانک های تجاری برای ارتقای مدیریت ریسک نکول و افزایش کارآمدی نظام تأمین مالی اسلامی باشد.

هدف: اصلاحات ساختاری دریکی از رده های دفاعی، منجر به شکل گیری رده های متعدد سیاستگذار بالادستی دریکی از سازمان های زیرمجموعه شده است. این مسئله مشکلاتی را در زیرمجموعه ایجاد کرده است که در پژوهش حاضر تلاش می شود آسیب های ناشی از تعدد مراجع سیاست گذار در حوزه برنامه وبودجه سازمان موردمطالعه شناسایی، دسته بندی و رتبه بندی است. روش پژوهش: این پژوهش ازنظر روش، توصیفی-پیمایشی؛ ازنظر نتیجه، کاربردی؛ ازنظر نوع داده، ترکیبی و ازنظر بازه زمانی، مقطعی است. علاوه بر بررسی ادبیات تحقیق با استفاده از روش تحلیل محتوا، از ابزار پرسشنامه باز و پرسشنامه ساختاریافته جهت گردآوری داده ها استفاده شده است. جامعه آماری پژوهش نیز متشکل از سلسله مراتب فرماندهی رده و مدیران طرح و برنامه در لایه های مختلف به عنوان خبرگان مرتبط با موضوع پژوهش می باشند. یافته ها و نتایج پژوهش: با استفاده از مدل آسیب شناسی سه شاخگی (میرزایی اهرنجانی، 1381) در شش مرحله فرایند برنامه وبودجه (برنامه ریزی راهبردی، برنامه ریزی عملیاتی، تدوین بودجه، تصویب بودجه، اجرای بودجه و کنترل و نظارت) تعداد 73 آسیب شناسایی گردید. آسیب های احصا شده با داده های آماری از طریق شاخص های آماری مختلف در بستر نرم افزار SPSS مورد تحلیل و بررسی قرارگرفته و اهمیت و اولویت هر مؤلفه در هر مرحله رتبه بندی گردید.

هدف اصلی در این پژوهش بررسی و رتبه بندی تأثیر عوامل روانشناختی سرمایه گذاران بر ریسک سقوط قیمت سهام شرکت ها می باشد. به منظور آزمون فرضیه های پژوهش داده های 122 شرکت پذیرفته شده در بورس اوراق بهادار تهران به عنوان نمونه آماری در طی بازه زمانی سال های 1393 تا پایان سال 1402 با استفاده از روش های مدل یابی معادلات ساختاری، رگرسیون خطی چندگانه و روش داده کاوی به صورت مقایسه ای و با بهره گیری از نرم افزارهای آموس، ایویوز و کلمنتاین مورد تجزیه و تحلیل قرار گرفت. براساس نتایج مدل یابی معادلات ساختاری، عوامل روانشناختی احساسات سرمایه گذاران و ارزش معاملات روزانه بر ریسک سقوط قیمت سهام اثر مثبت و معنی داری دارد و این اثر برای ضریب چولگی منفی بازده سهام بیشتر است. براساس نتایج تحلیل رگرسیون خطی چندگانه، شاخص خط روانشناختی و ارزش معاملات روزانه هر سهم بر ضریب چولگی منفی بازده سهام همچنین شاخص خط روانشناختی هر سهم بر نوسان پایین به بالای بازده سهام تأثیر مثبت و معنی داری دارد. بر اساس نتایج تکنیک داده کاوی، شاخص های هیجانات سرمایه گذاران، خط روانشناختی و ارزش معاملات روزانه هر سهم بر ضریب چولگی منفی بازده سهام و نیز خط روانشناختی، شاخص قدرت نسبی و سازه ارزش معاملات روزانه هر سهم بر نوسان پایین به بالای بازده سهام تأثیر مثبت و معنی داری دارند. مقایسه نتایج سه روش آماری حاکی از همسویی آنها در آزمون و تجزیه و تحلیل فرضیه ها است.